基于神經網絡的水利施工項目風險預測

袁久芹

(江蘇省鹽城市大豐區水利局，江蘇 鹽城 224100)

1 概述

我國水利工程建設具有悠久歷史，隨著我國經濟的高速發展，水利項目逐年增多。由于地質條件、人員素質等影響因素，導致水利工程施工中存在較大風險。要保證施工質量，就必須要求管理人員能夠采取合適的方法，對施工風險進行管控，做到事前控制。但是，施工項目風險具有較大的不確定性，傳統的方法不能夠有效的識別風險源，進而不能采取有效的手段管控[1]。隨著計算機技術的不斷發展，跨越了傳統方法的障礙，改變了風險識別的方式，將無法處理的因素信息轉化處理，使評價結果更加科學[2-4]。本文在對水利工程施工項目風險因素分析的基礎上，采用層次分析法進行權重分配，結合人工神經網絡算法進行風險識別，提前預測施工風險，事前控制，避免事故的發生。

2 施工項目風險因素分類

2.1 風險因素分類

在水利工程施工過程中，可能遇到的風險種類較多，因此，需要對可能潛在的風險進行識別，并根據風險可能造成的后果，對各種趨勢進行推理預測并根據趨勢做出預判，這是一項復雜且細致的工作。在項目開展之前，風險因素的初始信息收集工作時風險識別開展前的關鍵工作。在施工過程中，影響施工質量的風險因素有很多，按照表現形式大致可以分為：環境風險、社會風險、經濟風險及技術風險等。本文在文獻研究和經驗總結的基礎上，整理水利工程施工風險的影響因素[5，6]，如表1所示。

表1 水利工程施工風險影響因素表

風險的結果是指實際結果與預期目標的差異程度。差異程度越大，風險則越大。通常來講，質量是工程施工的最基礎保證，利益和工期相互關聯，因此，本文通過對質量風險和費用風險描述，為項目施工單位提供風險評估，在保證質量的前提，施工單位承擔多大的費用風險，以保證施工單位在實施過程中不出現虧損。

2.2 風險評估標準

本文將施工項目風險分為五個等級，即“很大”“較大”“一般”“小”“較小”，根據風險等級，轉換為風險得分，分別為：0.9，0.7，0.5，0.3，0.1。根據評估得分，可以得出向量矩陣：C=[0.9，0.7，0.5，0.3，0.1]T，本文認為風險評分大于0.7為高風險，那么需要根據評估結果著重控制；風險評分小于0.3，為低風險，那么項目質量、費用都處于可控的范圍之內，項目屬于正常進行狀態；風險評分介于兩者之間，屬于中風險，需根據影響因素的不同類型采取相應的措施進行控制。

在進行項目風險評估時，需要為影響指標賦予權重，指標權重的取值直接關系到評估結果的準確性，目前關于權重賦值的研究方法較多，但對于多目標決策或評價時，通常采用層次分析法。本文同樣采用層次分析法進行權重賦值，將評價體系分為三層，第一層(評價目標)、第二層(第一級評價指標)、第三層(第二級評價指標)。指標可表示為：

1)第一級評價指標Ui={U1,U2,U3,U4}；

2)第二級評價指標Uij={Ui1,Ui2,…，Uin},i=1,2,3…。

3 基于人工神經網絡的風險預測

3.1 輸入輸出數據預處理

人工神經網絡采用Sigmoid函數作為傳遞函數，需要對輸入輸出數據進行歸一化處理，本文采用插值法將所有數據進行歸一化處理，將所有數據變換為[0,1]之間，計算公式如式(1)所示。

(1)

通過式(1)可以將所有的數據轉換為[0,1]之間，減少了網絡的訓練時間，提高了計算效率。

3.2 網絡結構及參數選取

輸入節點數值需要根據樣本數據確定，采用4個輸入節點，輸出節點為2個，根據式(2)計算隱節點個數。

p=(n+m)/2+c

(2)

其中，n為輸入節點數；m為輸出節點數；c為介于1～10的常數。

根據上述公式計算，得出最佳隱節點個數為10。

3.3 權值的初始化

權值的初始化值對于神經網絡的訓練至關重要，通常來說，權值隨著迭代的進行而逐步更新，最終收斂，如果權值的初始化值太大，則網絡可能出現不收斂的現象。權值的設置直接關系到網絡的收斂速度，通常權值的設置范圍在[-1,1]之間。

4 實際應用

施工風險因素評價：

本文收集了某水利施工單位的12項實際施工情況的數據，邀請10位專家對工程項目風險因素指標進行評價，評價分值設置為[0,10]，將專家評價進行匯總，計算整理即可得到模糊子集R，即單因素評價矩陣，由于篇幅所限，在此列出其中一個項目的評分，如表2所示。

表2 專家對某工程風險因素評價打分表

權重的確定采用層次分析法，因為權重的確定過程相差不大，在此給出施工項目技術風險的各指標權重的確定過程，其他因素的權重可類似得出。根據表2的各指標評價，可得到如下矩陣：

上述矩陣E求解特征根，根據式(3)即可求解。

EA=λmaxA

(3)

求解可得出向量A，經過歸一化處理，即可得到歸一化的權重向量：

A=[0.24,0.13,0.31,0.32]。

根據模糊子集R和權重向量A，即可算出此項目的技術風險度0.329。同理，可以計算出其他因素的風險度。將12個工程項目按照上述方法進行計算，計算結果匯總如表3所示。

將表3的前9組數據作為學習樣本，后3組數據作為測試樣本，網絡預期誤差為0.002。通過神經網絡的數據訓練，采用訓練好的網絡閾值對施工項目風險進行預測。將后3組數據輸入到神經網絡中，經計算可得到如表4所示的預測結果。

表3 12組施工項目風險評估結果

表4 施工項目風險預測結果對比

根據表4的預測結果可知，預測結果與實際值非常接近。說明該神經網絡模型對水利施工項目預測是可行的。采用此模型對該公司正在施工的項目進行質量和費用風險評估，預測結果為：質量風險0.063，費用風險0.086。結果表明：該項目質量風險和費用風險的風險值均小于0.1，風險較小，保持項目的正常運行，即可保證質量安全和企業的正常盈利。

5 結論

本文在研究國內外對施工項目風險預測的基礎上，對水利施工項目的風險評估進行較深入的研究，主要結論如下：

1)本文從施工單位的角度出發，分析了施工項目不確定影響因素以及因素數學分析方法，將影響因素分為四類，每個類別分別對應影響指標，采用層次分析法對影響指標進行權重賦值。

2)結合人工神經網絡對項目風險進行預測，將風險度分為質量風險和費用風險，在保證質量的前提下，實現經濟最優。本文收集企業的12項已完工的工程項目，構建風險評估網絡，并對正在實施的項目進行應用，結果較好。